python爬虫实训日志_Python学习学习日志——爬虫《第一篇》(BeautifulSoup)
爬蟲簡介(學習日志第一篇)
一、爬蟲介紹
爬蟲:一段自動抓取互聯網信息的程序,從互聯網上抓取對于我們有價值的信息。
二、Pyyhon爬蟲架構
Python 爬蟲架構主要由五個部分組成,分別是調度器、URL管理器、網頁下載器、網頁解析器、應用程序(爬取的有價值數據)。
調度器:相當于一臺電腦的CPU,主要負責調度URL管理器、下載器、解析器之間的協調工作。
URL管理器:包括待爬取的URL地址和已爬取的URL地址,防止重復抓取URL和循環抓取URL,實現URL管理器主要用三種方式,通過內存、數據庫、緩存數據庫來實現。
網頁下載器:通過傳入一個URL地址來下載網頁,將網頁轉換成一個字符串,網頁下載器有urllib2(Python官方基礎模塊)包括需要登錄、代理、和cookie,requests(第三方包)
網頁解析器:將一個網頁字符串進行解析,可以按照我們的要求來提取出我們有用的信息,也可以根據DOM樹的解析方式來解析。網頁解析器有正則表達式(直觀,將網頁轉成字符串通過模糊匹配的方式來提取有價值的信息,當文檔比較復雜的時候,該方法提取數據的時候就會非常的困難)、html.parser(Python自帶的)、beautifulsoup(第三方插件,可以使用Python自帶的html.parser進行解析,也可以使用lxml進行解析,相對于其他幾種來說要強大一些)、lxml(第三方插件,可以解析 xml 和 HTML),html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進行解析的。
應用程序:就是從網頁中提取的有用數據組成的一個應用。
圖示如下:
調度器是如何協調工作的
主要流程:首先調度器向url管理器詢問是否有待爬取的url地址,如果有,則rul管理器向調度器返回一個要爬去的url地址,調度器將傳入的url地址發送個下載器,下載器接收到后,開始下載網頁,并將下載好的網頁內容返回回調度器,調度器再將網頁內容傳送給解析器,解析器對網頁內容進行分析,將有用的信息和該頁面中的url地址再傳送回調度器,調度器將url列表傳給url管理器進行保存,將有價值的信息集合成一個應用,這就是一個完整爬蟲的整個流程。
————信息主要轉自《菜鳥教程》
本次更新于2018-9-11,更新人:小尹
總結
以上是生活随笔為你收集整理的python爬虫实训日志_Python学习学习日志——爬虫《第一篇》(BeautifulSoup)的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 自学python条件_自学Python2
- 下一篇: 方程组的直接解法和迭代法 python_